전자 상거래에 대한 이미지 검색: 수익 및 만족도 급증 보기
게시 됨: 2020-06-22당신은 독특한 것을 찾고 있고 머리 속에 상상할 수 있지만 온라인에서 찾을 수 있는 운이 없습니다. 익숙한 소리? 당신은 혼자가 아닙니다. 이것이 전자 상거래를 위한 이미지 검색이 소매업체의 필수품이 된 이유입니다.
고객은 온라인 구매와 관련하여 인내심이 많지 않으므로 수천 개의 제품 카탈로그를 제공하는 전자 상거래 비즈니스가 반드시 유용한 것은 아닙니다. 사람들이 카탈로그와 웹사이트(또는 온라인 상점)에서 텍스트 기반 검색만을 제공하여 패션 아이템을 검색할 수 있도록 하는 온라인 상점은 고객 경험에 관한 한 배를 놓치고 있습니다.
고객은 텍스트 기반 검색을 사용하여 자신이 좋아하는 제품을 설명하려고 하지만 검색 결과에서 적절한 항목을 거의 찾지 못합니다. 특정한 질감의 재킷이나 독특한 패턴의 선글라스를 설명하기란 쉽지 않은데, 말로 설명할 필요가 있다.
제품 범주별 필터링과 수동 검색은 모두 시간이 많이 걸리고 때로는 성공하지 못합니다. 고객은 여러 번의 경험에 실패한 후 종종 포기하고 전환율과 수익에 부정적인 영향을 미칩니다.
제품을 식별하고 결정을 내리는 쇼핑객의 능력과 관련하여 시각 자료는 강력한 리소스입니다.
사실, 인간의 두뇌는 전체 이미지를 단 13밀리초 만에 처리할 수 있는 것으로 추정됩니다. 즉 , 텍스트보다 6~600배 빠르게 처리 됩니다.
전자상거래를 위한 이미지 검색: 시각적 검색 최적화로 참여도와 전환율 향상
전자 상거래 웹 사이트가 다른 유사한 제품을 검색하는 제품을 포함하여 사용자가 이미지를 사용할 수 있는 이미지 기반 검색을 지원하도록 플랫폼과 검색 전략을 업그레이드하면 고객 경험이 크게 향상될 것입니다.
전자 상거래에 대한 이미지 검색은 다음과 같이 크게 향상됩니다.
- 고객이 원하는 항목을 대화식으로 신속하게 찾을 수 있으므로 전환율
- 고객 상호작용
- 고객의 쇼핑 경험
- 판매 및 교차 판매 기회
효율적인 검색을 위해서는 이미지 기능을 학습하는 자동화된 방법을 개발할 필요가 있습니다. 머신 러닝 접근 방식이 가능한 솔루션 중 하나입니다.
알고리즘의 도움으로 머신 러닝은 과거 데이터에서 시스템을 훈련하여 결정을 내릴 수 있는 지능형 플랫폼을 개발할 수 있습니다. 그런 다음 훈련된 데이터를 기반으로 다음 단계를 예측합니다.
전자 상거래 및 이미지 검색은 기계 학습을 활용하여 고객에게 가치 있고 개인화된 경험을 제공할 수 있습니다. 머신 러닝은 검색 엔진을 더 똑똑하게 만들고 딥 러닝은 이미지 검색에 유용한 머신 러닝의 한 분야입니다.
시각적 검색의 AI 및 기계 학습: 작동 방식
컴퓨터의 경우 이미지는 2D 매트릭스를 나타내는 데이터이며 수십만 픽셀을 포함합니다. 한편, 이미지는 의미론적 패턴, 선, 곡선, 질감 및 색상의 배열입니다.
이미지 검색을 위한 다양한 유형의 기계 학습 알고리즘이 있습니다. 여기에서는 두 가지 인기 있는 알고리즘인 CNN(Convolutional Neural Network)과 k-NN(k-Nearest Neighbors)에 대해 이야기하고 있습니다.
위의 다이어그램에는 오프라인과 온라인의 두 단계가 있습니다.
오프라인 단계 에서 CNN 알고리즘을 통해 전자 상거래 상점 카탈로그를 학습합니다. CNN은 일련의 레이어입니다. 각 레이어의 입력은 이전 레이어의 출력입니다. 첫 번째 레이어에 이미지가 입력되고 첫 번째 레이어는 가장자리와 같은 낮은 수준의 특징을 추출합니다. 의미 있는 특징은 마지막에 추출됩니다. 출력은 특징 벡터 목록입니다.
온라인 단계에서 우리는 이미 전자 상거래 상점 카탈로그에 있는 각 이미지의 벡터 표현을 가지고 있습니다. 저장된 벡터에는 한 이미지와 다른 이미지 간의 연결을 파악하는 데 사용할 수 있는 의미 있는 설명이 포함됩니다. CNN의 도움으로 고객이 업로드한 이미지에서 잠재된 의미를 추출하고 이미지와 이미지를 비교하여 시각적으로 가장 유사한 일치 항목을 찾는 것이 더 쉬워집니다.
그러나 추출된 특징 벡터의 유사성을 비교하기 위해서는 여전히 또 다른 단계가 필요합니다. K-NN은 지도 학습을 위한 분류 알고리즘 중 하나입니다. 목표는 특징 벡터에서 업로드된 이미지와 가장 근접하게 일치하는 항목을 검색하는 것입니다.
다음 단계는 기계 학습을 통한 이미지 검색 작동 방식을 요약한 것입니다.
- 클라이언트가 이미지를 업로드합니다.
- 입력 이미지의 전처리
- 업로드된 이미지의 시각적 특징 추출
- 추출된 특징과 훈련된 데이터 간의 유사도 계산
기계 학습이 전자 상거래 비즈니스에 할 수 있는 것
기계 학습 기술로 구동되는 이미지 검색을 사용하면 전자 상거래 비즈니스에 많은 이점이 있습니다.
엔진의 강력한 머신 러닝을 통해 비즈니스는 다음과 같은 이점을 누릴 수 있습니다.
- 더 빠른 결정: 기계 학습 알고리즘은 의사 결정의 우선 순위를 지정하고 자동화할 수 있습니다. 또한 즉시 취해야 하는 기회와 현명한 조치에 플래그를 지정할 수 있으므로 최상의 결과를 얻을 수 있습니다.
- 적응성: 인공 지능은 고객의 과거 데이터만 보는 것이 아닙니다. 실시간 입력을 처리할 수 있으므로 사이트 권장 사항을 즉시 조정할 수 있습니다. 고객이 좋아하는 기차에서 재킷을 보았고 몇 가지 기능 입력만 있으면 전자 상거래 사이트에서 관련 제품을 제공할 수 있는 재킷을 찾기 위해 사이트에 들어갑니다.
- 심층 인사이트: 머신 러닝은 크고 복잡한 스트리밍 데이터를 분석하고 예측 인사이트를 포함하여 인간의 능력을 넘어선 인사이트를 찾을 수 있습니다. 고객은 다양한 형태의 미디어/콘텐츠가 포함된 여러 웹사이트와 플랫폼을 사용합니다. 종종 그 여정은 여러 장치를 통해 수행됩니다. 머신 러닝은 이러한 모든 접점을 분석하여 통찰력을 찾은 다음 해당 통찰력을 기반으로 조치를 트리거할 수 있습니다.
- 더 나은 결과: 새로운 기회와 위험을 기반으로 현명한 조치를 취하는 것부터 결정이 내려지기 전에 결과를 정확하게 예측하는 것까지 머신 러닝은 더 나은 비즈니스 결과를 이끌어내는 데 도움이 될 수 있습니다.